Jornada do usuário completa para cada modelo
O BigQuery ML é compatível com uma variedade de modelos de machine learning e um fluxo completo de machine learning para cada modelo, como pré-processamento de atributos, criação de modelos, ajuste de hiperparâmetros, inferência, avaliação, exportação de modelos e assim por diante. O fluxo de machine learning para os modelos é dividido nas duas tabelas a seguir:
Fase de criação de modelos
Categoria do modelo | Tipos de modelos | Criação de modelos | Pré-processamento de recursos | Ajuste de hiperparâmetro | Pesos do modelo | Informações de recurso e treinamento | Tutoriais |
---|---|---|---|---|---|---|---|
Aprendizado supervisionado | Regressão linear e logística | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
Ajuste de HP2 ml.trial_info |
ml.weights | ml.feature_info ml.training_info |
|
Redes neurais profundas | Criar modelo | NA5 | Não relevante | ||||
Amplitude e profundidade | Criar modelo | NA5 | Não relevante | ||||
Árvores aprimoradas | Criar modelo | NA5 | Não relevante | ||||
Floresta aleatória | Criar modelo | NA5 | Não relevante | ||||
AutoML Tables | Criar modelo | NA3 | NA3 | NA5 | Não relevante | ||
Aprendizado não supervisionado | K-means | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
Ajuste de HP2 ml.trial_info |
ml.centroids | ml.feature_info ml.training_info |
estações de ciclismo de cluster |
Fatoração de matrizes | Criar modelo | Não relevante | Ajuste de HP2 ml.trial_info |
ml.weights | |||
PCA | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
Não relevante | ml.principal_ components, ml.principal_ component_info |
Não relevante | ||
Codificador automático | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
Não relevante | NA5 | Não relevante | ||
Modelos de série temporal | ARIMA_PLUS | Criar modelo | Pré-processamento automático | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
|
ARIMA_PLUS_XREG (Visualização) |
Criar modelo | Pré-processamento automático | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
previsão multivariável | |
Modelos importados | TensorFlow | Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | prever com o modelo importado do TensorFlow |
TensorFlow Lite (Visualizar) |
Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | Não relevante | |
ONNX (Visualizar) |
Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | ||
XGBoost (Visualizar) |
Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | Não relevante | |
Modelos remotos | Modelo remoto com um endpoint da Vertex AI (Pré-lançamento) |
Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | prever com modelos remotos |
Modelo remoto na API Cloud Vision (Pré-lançamento) |
Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | Não relevante | |
Modelo remoto na API Cloud Translation (Pré-lançamento) |
Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | Não relevante | |
Modelo remoto na API Cloud Natural Language (Pré-lançamento) |
Criar modelo | Não relevante | Não relevante | Não relevante | Não relevante | Não relevante |
1Consulte a cláusula TRANSFORM para o tutorial de engenharia de atributos.
2 Consulte o tutorial Usar ajuste de hiperparâmetros para melhorar o desempenho do modelo.
3A engenharia de atributos automática e o ajuste de hiperparâmetros são incorporados ao treinamento de modelo do AutoML Tables por padrão.
4O algoritmo auto.ARIMA realiza o ajuste de hiperparâmetros para o módulo de tendência. O ajuste de hiperparâmetros não é compatível com todo o pipeline de modelagem. Consulte o pipeline de modelagem para mais detalhes.
5O BigQuery ML não é compatível com funções que recuperam os pesos de modelos de árvores otimizadas, floresta aleatória, DNN, amplitude e profundidade, Autoencoder ou AutoML Tables. Para ver o peso desses modelos, exporte um modelo atual do BigQuery ML para o Cloud Storage e use a biblioteca XGBoost ou o TensorFlow para visualizar a estrutura em árvore dos modelos de árvore ou a estrutura de gráfico das redes neurais. Para mais informações, consulte a documentação do MODELO DE EXPORTAÇÃO e o tutorial do MODELO DE EXPORTAÇÃO.
Fase de uso do modelo
Categoria do modelo | Tipos de modelos | Avaliação | Inferência | Explicação do AI | Exportação de modelo | Tutoriais |
---|---|---|---|---|---|---|
Aprendizado supervisionado | Regressão linear e logística | ml.evaluate ml.confusion_matrix1 ml.roc_curve2 |
ml.predict | ml.explain_predict3 ml.global_explain ml.advanced_weights8 |
exportar modelo5 | |
Redes neurais profundas | Não relevante | |||||
Amplitude e profundidade | Não relevante | |||||
Árvores aprimoradas | ml.explain_predict3 ml.global_explain ml.feature_importance4 |
Não relevante | ||||
Floresta aleatória | Não relevante | |||||
AutoML Tables | Não relevante | Não relevante | ||||
Aprendizado não supervisionado | K-means | ml.evaluate | ml.predict ml.detect_anomalies |
Não relevante | exportar modelo5 | estações de ciclismo de cluster |
Fatoração de matrizes | ml.recommend | |||||
PCA | ml.predict ml.detect_anomalies |
Não relevante | ||||
Codificador automático | ml.predict ml.detect_anomalies ml.reconstruction_loss |
Não relevante | ||||
Modelos de série temporal | ARIMA_PLUS | ml.evaluate ml.arima_evaluate6 | ml.forecast ml.detect_anomalies |
ml.explain_forecast7 | Não relevante | |
ARIMA_PLUS_XREG (Visualização) |
ml.evaluate ml.arima_evaluate6 | ml.forecast | Não relevante | Não relevante | previsão multivariável | |
Modelos importados | TensorFlow | Não relevante | ml.predict | Não relevante | exportar modelo5 | prever com o modelo importado do TensorFlow |
TensorFlow Lite (Visualizar) |
Não relevante | ml.predict | Não relevante | Não relevante | Não relevante | |
ONNX (Visualizar) |
Não relevante | ml.predict | Não relevante | Não relevante | ||
XGBoost (Visualizar) |
Não relevante | ml.predict | Não relevante | Não relevante | Não relevante | |
Modelos remotos | Modelo remoto com um endpoint da Vertex AI (Pré-lançamento) |
ml.evaluate | ml.predict | Não relevante | Não relevante | prever com modelos remotos |
Modelo remoto na API Cloud Vision (Pré-lançamento) |
Não relevante | ml.annotate_image | Não relevante | Não relevante | Não relevante | |
Modelo remoto na API Cloud Translation (Pré-lançamento) |
Não relevante | ml.translate | Não relevante | Não relevante | Não relevante | |
Modelo remoto na API Cloud Natural Language (Pré-lançamento) |
Não relevante | ml.understand_text | Não relevante | Não relevante | Não relevante |
1ml.confusion_matrix
é aplicável somente a modelos de classificação.
2ml.roc_curve
é aplicável somente a modelos de classificação binária.
3ml.explain_predict
é uma versão estendida de ml.predict
.
Para mais informações, consulte Visão geral da Explainable AI.
Para saber como a ml.explain_predict
é usada, consulte o tutorial de regressão e o tutorial de classificação.
4Para saber a diferença entre ml.global_explain
e
ml.feature_importance
, consulte a
Visão geral da Explainable AI.
5Veja o tutorial Exportar um modelo do BigQuery ML para previsão on-line.
6Para modelos ARIMA_PLUS
ou ARIMA_PLUS_XREG
, ml.evaluate
pode receber novos dados como entrada para calcular métricas de previsão, como erro percentual absoluto médio (MAPE). Na ausência de novos dados, ml.evaluate
tem uma versão ml.arima_evaluate
estendida que gera informações de avaliação diferentes.
7ml.explain_forecast
é uma versão estendida de ml.forecast
.
Para mais informações, consulte Visão geral da Explainable AI.
Para saber como o ml.explain_forecast
é usado, consulte as etapas de visualização de resultados dos tutoriais de previsão de série temporal única e previsão de várias séries temporais.
8ml.advanced_weights
é uma versão estendida de ml.weights
.
Consulte ml.advanced_weights
para mais detalhes.